【技术实现步骤摘要】
本专利技术涉及图像处理，公开了基于多尺度编码器解码器结构的遥感图像预测方法及系统。
技术介绍
1、随着无人机技术的飞速发展，其在军事、农业、国土调查、地图测绘中有着越来越多样的应用，这些应用大多数通过无人机摄像头所获取的遥感图像来进行相应的目标识别、区域分割等基础操作，从而为其他复杂应用打下基础。常见的遥感图像包括多光谱遥感图像、合成雷达孔径图像、高光谱遥感图像等等。传统的图像分割方法有阈值分割法，边缘分割法，区域分割法等。但与传统的图像不同，遥感图像具有信息丰富、目标尺度复杂、数据量巨大等特点，并不能像简单图像一样被传统方法所分割。
2、随着人工智能尤其是深度神经网络技术的迅速发展，遥感图像处理的技术发生了巨大的变化，神经网络强大的特征提取能力使得遥感图像的分割精度得到了大幅度的提升，这为无人机处理遥感图像建立了基础。因此，基于神经网络的分割模型逐渐成为了主流无人机遥感图像分割方法。
3、图像分割是对图像中的每一个像素点进行分类，划分出每个像素点所属的物体类别，使图像的每一个像素点具有语义特征。目前，主流的图像语义分割方法是使用全卷积神经网络来提取图像中的像素特征用于标签分类的预测。全卷积神经网络可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使它恢复到输入图像相同的尺寸。从而可以对每个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类，如河流、房屋、土地、车辆等类别，从而完成对遥感整张图像的分割。
4、现有的图像分割方法
5、第一，没有实现全局信息和局部信息的平衡：现有的分割方法多是应用在自然图像上，没有考虑遥感图像高分辨率、覆盖范围大、细节丰富的特点，不仅导致模型对遥感图像的全局轮廓学习不充分，也容易导致模型对遥感图像的局部特征提取不足。
6、第二，不能充分利用遥感图像高频与低频信息：现有基于编码器-解码器的分割模型，往往在编码器下采样的过程中丢失图像的细节文理信息，解码器上采样过程中有损失了图像边缘等高频信息，从而导致分割结果精确低。
7、第三，像素类别边界信息缺失：现有的方法没有从类别边界的视角去考虑边界特征对图像分割带来的性能提升。忽略类别边界信息容易造成分割时的相邻边界像素误分类。例如，低植被类别的像素被分类为树木类别。
技术实现思路
1、本专利技术的目的在于提供基于多尺度编码器解码器结构的遥感图像预测方法及系统，能够有效地提高了遥感图像分割的准确率，也进一步缓解了多尺度特征利用不完全的问题。
2、为了实现上述技术效果，本专利技术采用的技术方案是：
3、基于多尺度编码器解码器结构的遥感图像预测方法，包括：
4、对遥感图像中的每个像素地物类别进行标记，按照随机裁剪的方式将遥感图像切分成相同长宽比的第一小图数据集，所述第一小图数据集中的图像长度小于遥感图像的长度，且宽度小于遥感图像的宽度；
5、对第一小图数据集内的图像分别进行水平旋转、垂直旋转、对角镜像操作，获得扩充数据集；对扩充数据集内的图像进行最大归一化处理，得到归一化数据集；
6、以遥感图像对应的归一化数据集为输入，遥感图像中每个像素的地物类别标记作为输出，训练多尺度编码器-解码器神经网络模型；所述多尺度编码器-解码器神经网络模型用于将输入信号通过二维离散小波变换转换成高频分量和低频分量后，再通过二维离散小波逆变换和特征融合连接桥进行分辨率恢复；
7、将待预测的遥感图像按照固定间隔的方式切分成相同长宽比的第二小图数据集，所述固定间隔小于等于第二小图数据集内图像长度或宽度的最小值；
8、以第二小图数据集为输入，采用训练好的多尺度编码器-解码器神经网络预测模型进行待预测遥感图像中的地物类别进行预测，并输出待预测遥感图像每个像素的预测结果。
9、进一步地，对扩充数据集内的图像进行最大归一化处理，得到归一化数据集的步骤包括：将输入图像的每一个像素值的大小除以255，得到在0和1之间的每一个像素点的数值；对每一个像素点进行onehot编码，得到归一化后的训练集和验证集。
10、进一步地，所述多尺度编码器-解码器神经网络模型将输入信号通过二维离散小波变换转换成高频分量和低频分量后，再通过二维离散小波逆变换和特征融合连接桥进行分辨率恢复的方法包括：
11、采用二维离散小波变换将输入图像转换成第一高频分量和第一低频分量；
12、采用二维离散小波变换将第一低频分量转换成第二高频分量和第二低频分量；
13、采用二维离散小波变换将第二低频分量转换成第三高频分量和第三低频分量；
14、采用二维离散小波变换将第三低频分量转换成第四高频分量和第四低频分量；
15、采用二离散小波逆变换将第四低频分量进行上采样操作，然后与第四高频分量通过特征融合连接桥进行拼接，得到第一特征图；
16、采用二离散小波逆变换将第一特征图进行上采样操作，然后与第三高频分量通过特征融合连接桥进行拼接，得到第二特征图；
17、采用二离散小波逆变换将第二特征图进行上采样操作，然后与第二高频分量通过特征融合连接桥进行拼接，得到第三特征图；
18、采用二离散小波逆变换将第三特征图进行上采样操作，然后与第一高频分量通过特征融合连接桥进行拼接，得到第四特征图；
19、根据遥感图像中每个像素地物类别标记，采用1×1卷积操作，将第四特征图中的每一个像素点进行地物类别信息识别，将对应地物标签赋值给对应的像素点。
20、为实现上述技术效果，本专利技术还提供了基于多尺度编码器解码器结构的遥感图像预测系统，包括：
21、第一图像预处理模块，用于对遥感图像中的每个像素地物类别进行标记，按照随机裁剪的方式将遥感图像切分成相同长宽比的第一小图数据集，所述第一小图数据集中的图像长度小于遥感图像的长度，且宽度小于遥感图像的宽度；
22、数据集获取模块，用于对第一小图数据集内的图像分别进行水平旋转、垂直旋转、对角镜像操作，获得扩充数据集；对扩充数据集内的图像进行最大归一化处理，得到归一化数据集；
23、模型训练模块，用于以遥感图像对应的归一化数据集为输入，遥感图像中每个像素的地物类别标记作为输出，训练多尺度编码器-解码器神经网络模型；所述多尺度编码器-解码器神经网络模型用于将输入信号通过二维离散小波变换转换成高频分量和低频分量后，再通过二维离散小波逆变换和特征融合连接桥进行分辨率恢复；
24、第二图像预处理模块，将待预测的遥感图像按照固定间隔的方式切分成相同长宽比的第二小图数据集，所述固定间隔小于等于第二小图数据集内图像长度或宽度的最小值；
25、分析模块，用于以第二小图数据集为输入，采用训练好的多尺度本文档来自技高网...
【技术保护点】
1.基于多尺度编码器解码器结构的遥感图像预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多尺度编码器解码器结构的遥感图像预测方法，其特征在于，对扩充数据集内的图像进行最大归一化处理，得到归一化数据集的步骤包括：将输入图像的每一个像素值的大小除以255，得到在0和1之间的每一个像素点的数值；对每一个像素点进行onehot编码，得到归一化后的训练集和验证集。
3.根据权利要求1所述的基于多尺度编码器解码器结构的遥感图像预测方法，其特征在于，所述多尺度编码器-解码器神经网络模型将输入信号通过二维离散小波变换转换成高频分量和低频分量后，再通过二维离散小波逆变换和特征融合连接桥进行分辨率恢复的方法包括：
4.基于多尺度编码器解码器结构的遥感图像预测系统，其特征在于，包括：
5.根据权利要求4所述的基于多尺度编码器解码器结构的遥感图像预测系统，其特征在于，所述数据集获取模块(2)对扩充数据集内的图像进行最大归一化处理的步骤包括：将输入图像的每一个像素值的大小除以255，得到在0和1之间的每一个像素点的数值；对每一个像素点进行oneho
6.根据权利要求4所述的基于多尺度编码器解码器结构的遥感图像预测系统，其特征在于，所述多尺度编码器-解码器神经网络模型包括：
7.根据权利要求6所述的基于多尺度编码器解码器结构的遥感图像预测系统，其特征在于，所述第一编码模块(6)、第二编码模块(7)、第三编码模块(8)、第四编码模块(9)分别包括两个3×3卷积层，每个卷积层后具有ReLU函数与BN层。
...【技术特征摘要】
1.基于多尺度编码器解码器结构的遥感图像预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多尺度编码器解码器结构的遥感图像预测方法，其特征在于，对扩充数据集内的图像进行最大归一化处理，得到归一化数据集的步骤包括：将输入图像的每一个像素值的大小除以255，得到在0和1之间的每一个像素点的数值；对每一个像素点进行onehot编码，得到归一化后的训练集和验证集。
3.根据权利要求1所述的基于多尺度编码器解码器结构的遥感图像预测方法，其特征在于，所述多尺度编码器-解码器神经网络模型将输入信号通过二维离散小波变换转换成高频分量和低频分量后，再通过二维离散小波逆变换和特征融合连接桥进行分辨率恢复的方法包括：
4.基于多尺度编码器解码器结构的遥感图像预测系统，其特征在...
【专利技术属性】
技术研发人员：冯雨歆，刘飞阳，李晨卉，田径，石添介，赵一煊，
申请(专利权)人：中国航空工业集团公司西安航空计算技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。